2. SLO与SLI基础：服务等级指标(SLI)定义、服务等级目标(SLO)设定原则、SLI/SLO与Error Budget的关系

在实施Error Budget驱动的变更窗口优化之前，必须建立一套可量化的服务健康度衡量体系。SLI（服务等级指标）与SLO（服务等级目标）正是这套体系的基石。没有明确的SLI和SLO，Error Budget将失去计算依据，变更窗口的优化也无从谈起。

2.1 服务等级指标（SLI）定义

SLI（Service Level Indicator）是对服务某个特定维度的量化测量值，通常表示为一段时间内的比率、百分比或速率。SLI回答的问题是：“服务现在表现如何？”

2.1.1 SLI的核心特征

• 可测量性：必须能够通过监控系统持续采集，而非主观判断。
• 用户视角：优先测量用户实际感知到的服务质量，而非内部基础设施指标。
• 有限性：每个服务通常只定义3~5个关键SLI，避免指标泛滥。

2.1.2 常见SLI分类与示例

2.2 服务等级目标（SLO）设定原则

SLO（Service Level Objective）是为SLI设定的目标阈值，它定义了服务在正常运营期间应达到的健康水平。SLO回答的问题是：“服务应该表现多好？”

2.2.1 SLO设定的核心原则

1. 以用户为中心：SLO必须反映用户可接受的服务质量底线。不要追求理论上的100%，因为那既不现实也不经济。
2. 基于历史数据：在设定初始SLO时，应参考过去1~3个月的实际SLI数据，确保目标“跳一跳够得着”。
3. 留有余量：SLO不应等于SLI的极限值。例如，如果系统极限可用性是99.99%，SLO可设定为99.95%，为Error Budget预留空间。
4. 分层设定：不同重要性的服务应有不同的SLO。核心支付服务SLO可能为99.99%，而内部日志服务SLO可能为99.9%。

2.2.2 SLO的常见表达形式

• 比率型：在滚动时间窗口（如30天）内，SLI ≥ 目标值。例如：“过去30天内，请求成功率 ≥ 99.9%”。
• 百分位型：针对延迟指标。例如：“过去7天内，P99延迟 ≤ 200ms”。
• 复合型：同时满足多个条件。例如：“过去28天内，可用性 ≥ 99.95% 且 P99延迟 ≤ 300ms”。

2.3 SLI/SLO与Error Budget的关系

Error Budget（错误预算）是连接SLI/SLO与变更管理的关键桥梁。它量化了服务在SLO允许范围内可以“犯错”的总量。

2.3.1 Error Budget的计算公式

Error Budget = 1 - SLO

例如：
- 若 SLO = 99.9%，则 Error Budget = 0.1%
- 若 SLO = 99.99%，则 Error Budget = 0.01%

在30天的时间窗口内：
- 总时间 = 30天 × 24小时 × 60分钟 × 60秒 = 2,592,000秒
- 允许的不可用时间 = 2,592,000秒 × Error Budget
  - SLO 99.9% → 允许不可用 2,592秒 ≈ 43.2分钟
  - SLO 99.99% → 允许不可用 259.2秒 ≈ 4.32分钟

2.3.2 三者的动态关系

SLI是实时测量值，SLO是目标阈值，Error Budget是剩余可用额度。三者的关系可以用以下流程描述：

2.3.3 Error Budget的消耗与恢复机制

Error Budget并非静态值，它在时间窗口内动态变化：

• 消耗：当SLI低于SLO时，消耗Error Budget。例如，SLO为99.9%，某小时实际SLI为99.8%，则消耗0.1%的预算。
• 恢复：当SLI高于SLO时，Error Budget会随时间窗口滚动而恢复。例如，在30天滚动窗口内，过去的不良表现会逐渐移出窗口。
• 阈值触发：当Error Budget消耗超过50%时，应触发预警；消耗超过80%时，应冻结非紧急变更。

2.4 本章小结：SLI/SLO/Error Budget的协同作用